Python语言学习-----Ubuntu16.04上基于YoloV4 的Keras物体识别目录
随着深度学习的发展，目前已经出现了很多算法（或者训练技巧，tricks）来提升神经网络的准确率。在实际测试中评价一个算法的好坏优劣主要看两点，一是能否在大规模的数据集中起作用（work），二是是否有理论依据。一些算法仅能在某些特定的模型上或者某类特定的问题上运行，亦或是适用于一些小规模的数据集。然而，还有一些算法，例如batch normalization（BN）或者残差连接（residual-connections）已经被用在了不同的模型，任务以及不同的数据集中，已经被充分的证明了这些算法的普适性，是一个general的算法。我们假设这样的general（or universal）的算法包括Weighted-residual-connection（WRC），cross-stage-partial-connections（SCP），cross mini-batch Normalization（CmBN），self-adversarial-training（SAT）以及mish-activation。
此外，我们还加了一些其余的tricks，包括Mosaic data augmentation，DropBlock regularization，CIoU loss，设计了一个YOLO-V4，并且在MS coco数据集中取得了新的state-of-the-art的结果：在Tesla V100显卡能达到43.5% AP（65.7% AP）的精度，且达到~65FPS的速度。目前代码已经开源,本次博客，林君学长将带大家了解如何通过YoloV4 实现对物体的识别并标注！
一、YoloV4-Keras包的下载
1、下载
git clone https://github.com/Ma-Dan/keras-yolo4
2、yolov4.weights下载
1）、通过如下百度网盘链接进行权重文件下载，下载后上传至YoloV4-Keras的包中，链接如下：（提取码：dc2j）
https://pan.baidu.com/s/1FF79PmRc8BzZk8M_ARdMmw
2）、yolo4_weights.h5是coco数据集的权重；yolo4_voc_weights.h5是voc数据集的权重。
3、VOC训练集、测试集下载
1）、进入YoloV4-Keras包中，然后打开终端，通过如下命令下载VOC训练集和测试集
cd keras-yolo4
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
2）、解压
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar
3）、修改解压后VOCdevkit文件夹名为count,并且修改 count文件夹中的VOC2007为VOC2012，只因为后面代码中是这个
二、yolov4.weights的h5模型转换
1、修改包中convert.py代码内容
1）、打开
gedit convert.py
2）、下翻，修改
2、权重转换模型
1）、通过运行convert.py进行模型装换
cd keras-yolo4
python3 convert.py
2）、转换完成之后，便会生成一个h5模型文件，当然，我们也可以使用上面下载完成的yolo4_weights.h5和yolo4_voc_weights.h5，建议使用yolo4_voc_weights.h5模型，前面模型我进行 测试的时候有错误
三、基于YoloV4 的Keras物体识别
1、修改test.py代码
1）、打开文件
gedit test.py
2）、解决python默认路径问题，在大马开头添加如下代码
import sys
sys.path.remove('/opt/ros/kinetic/lib/python2.7/dist-packages')
因为有的小伙伴在Ubuntu系统上安装ROS，而ROS默认的是python2.7的环境路径，而本次的实验是用python3语言进行编写，所以不进行环境修改会使得运行报错，通过添加如上两行代码可以很好的解决这个问题，而且还不影响ROS的正常使用！
3）、下翻，找到model_path，修改为如上下载的yolo4_voc_weights.h5模型
2、数据图片准备，百度一张小车图片，放进YoloV4-Keras包
3、终端运行测试
1）、通过如下命令，进行对应的物体识别
cd keras-yolo4
python3 test.py
2）、输入图片名称
在运行之后，终端会提示输入文件名称，这时候，输入你命名的小车图片的文件名
3）、运行结果
到这里，本地博客便基本结束了，下面进行模型训练的扩展，有兴趣的小伙伴自己下载VOC数据集进行模型训练，林君学长没有训练出结果，原因是训练途中一直被杀死，正在寻找解决办法中
四、扩展一----5h模型训练
1、修改voc_annotation.py文件
2、修改train.py
1）、在文件内容开始处添加如下代码，修改python环境
sys.path.remove('/opt/ros/kinetic/lib/python2.7/dist-packages')
2）、下翻，修改batch_size，防止内存不够
以上是两段哦，两段有相似内容的都需要改哈
3、进行模型训练
1）、运行train.py进行模型训练
python3 train.py
2）、训练正确应该如下所示：
3）、林君学长训练错误结果如下所示：
出现以上错误的具体原因暂未查明，如后续查明，定会更新此博客，同时，希望能够有解决该问题的小伙伴，不言腻舍的在评论区说出你的解决方案啦，我们一起交流一下，解决该问题，谢谢啦！
五、扩展二----YoloV3的物体识别
1、YoloV3下载编译
1）、YoloV3下载
git clone https://github.com/pjreddie/darknet
2）、编译
cd darknet
make -j8
2、下载YoloV3权重文件
wget https://pjreddie.com/media/files/yolov3.weights
以上方法下载很慢，小伙伴可以自己进行百度搜索yolov3.weights权重文件下载，很多百度网盘资源、CSDN资源可以下载，这里就不给出链接啦，搜索一下吧！
3、测试
1）、在终端运行以下命令，进行YoloV3物体识别测试
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
2）、终端运行结果如下所示：
3）、运行完成之后，该工程资源包下便会自己生成一张识别后的图片，如下所示：
4）、识别结果展示，包括狗狗、自行车、卡车
扩展就到这里啦，有兴趣的小伙伴自己深入了解哈，更多学习请参考yolov3官网进行学习，链接如下所示：
https://pjreddie.com/darknet/yolo/
以上就是本次博客的全部内容啦，希望通过本地博客，小伙伴们能够理解YoloV4是如何通过模型训练然后进行对应物体识别的哦，理解原理，编写代码，当然，这代码还是有难度的，至少自己编写不出来，能够看懂就不错啦，这里，林君学长再次感谢网络大佬，让自己能够站在巨人的肩膀上，不过可惜的是，没有人再站在我的肩膀上面了（low不是我我自己想要的）！
遇到问题的小伙伴记得在评论区留言讨论，林君学长看到会为大家解答的，同时，希望有解决以上问题方案的小伙伴能够和学长一起交流一下，阿里嘎多！
陈一月的又一天编程岁月^ _ ^